1.一种基于长短时记忆网络的列车状态在线预测方法，其特征在于，具体按照以下步骤实施：步骤1、列车状态监测数据预处理与归一化，所述步骤1具体如下：数据预处理包括对列车状态监测数据进行缺失数据补全、突变点剔除操作；数据归一化采用线性函数归一化，去掉状态监测数据的量纲，将数据限制到一定区间，使运算更为便捷，如下式：其中， 为列车状态不同时刻的监测数据， 和 分别为状态监测数据中的最小值和最大值， 为归一化处理后的状态数据；步骤2、列车状态监测数据选取与划分，所述步骤2具体如下：选取列车状态历史监测数据为研究对象，对监测数据进行划分，设定前70%和后30%的历史监测数据为LSTM网络训练数据集和测试数据集，用于之后的LSTM网络模型的训练与测试；步骤3、LSTM网络门结构设计，所述步骤3具体如下：步骤3.1、以 时刻的网络细胞为研究对象， 时刻的细胞输入由 时刻的隐藏层单元 、 时刻的细胞状态 和当前时刻的列车状态数据 共同组成， 时刻的细胞输出为隐藏层单元 和细胞状态 ；步骤3.2：遗忘门决定上一时刻细胞状态 中的信息传递到当前时刻 中的信息量，由 控制，值域为 (0,1)，其计算公式如下：式中， 为遗忘门状态， 和 分别为输入列车状态特征向量和隐藏层单元与遗忘门之间的权重， 为遗忘门的偏差值， 表示sigmoid函数，如下所示：式中， 为输入数据，通过sigmoid函数将数据映射到 之间，便于后续的分析与处理；步骤3.3：细胞输入门用来控制当前输入新生成的信息 中加入到细胞状态 中的信息量，由 控制，值域为(0,1)，设tanh层产生当前时刻新的信息，sigmoid层控制新信息传递到细胞状态的信息量，计算公式如下：式中， 为输入门状态， 为当前输入新信息， 和 分别为输入列车状态特征向量和隐藏层单元与输入门之间的权重， 为输入门的偏差值，tanh表示激活函数，tanh函数如下所示：式中， 为输入数据，通过tanh函数将数据映射到 之间，便于后续的分析与处理；步骤3.4：基于遗忘门和输入门的输出，更新细胞状态，具体计算公式如下：式中， 为 时刻细胞状态；步骤3.5：基于更新的细胞状态，输出门 采用 sigmoid层控制细胞状态信息作为隐藏状态的输出 ；步骤4、LSTM网络梯度反向计算误差；步骤5、调节网络循环次数，进行状态预测。
